Anteriormente en mi blog vimos cómo instalar Tesseract OCR en Windows 10 con los modelos para detectar el idioma español en el texto dentro de la imagen.
Tesseract OCR es un motor de reconocimiento óptico de caracteres, es decir, un motor que extrae el texto de una imagen, o digitaliza el contenido de una imagen, un escaneo, una foto o una captura de pantalla.
En este post vamos a ver cómo instalar Tesseract OCR en Ubuntu, además del idioma español o mejor dicho los modelos para trabajar con el idioma español.
Instalar Tesseract OCR en Ubuntu
Comienza ejecutando:
sudo apt-get update
Para actualizar los índices. Después instala tesseract OCR con:
sudo apt-get install tesseract-ocr -y
Ahora instala los modelos del idioma español con:
sudo apt-get install tesseract-ocr-spa -y
La parte spa es para indicar el idioma español. Y no, no es broma.
Finalmente lista los lenguajes instalados con:
tesseract --list-langs
Eso probará 2 cosas: que hemos instalado tesseract sobre Ubuntu y que además tiene soporte para el idioma español.
¿Fácil, no? en los próximos posts veremos cómo usar Tesseract OCR para extraer el texto de imágenes.
Actualización: ya puedes ver cómo detectar el texto de una imagen en Ubuntu usando Tesseract.
Lo sé, la instalación es mil veces más fácil que en Windows.